Azure Search索引器无法提取部分PDF文本及支持格式咨询

我来帮你梳理下Azure Search索引器对PDF文本提取的支持范围，以及针对部分PDF提取失败的排查方向：

支持的PDF类型 #

• 标准可搜索PDF：这类PDF本身包含可复制的文本内容（不是纯扫描件），索引器能直接提取文本，这是最常见的支持类型。
• 带嵌入文本层的扫描PDF：如果扫描件经过OCR处理并嵌入了文本数据（哪怕视觉上是图片，但后台有可解析的文本），索引器也能正常提取。但纯扫描、没有文本层的PDF默认无法被解析。
• 带打开密码的加密PDF：仅支持需要用户密码（打开文件的密码）保护的PDF，你需要在数据源配置中提供正确的密码才能让索引器访问并提取文本。注意：限制编辑/打印的权限密码不影响文本提取，只要能正常打开文件即可。
• 多语言PDF：支持包含多种语言的PDF，只要文本是标准编码格式（比如UTF-8），索引器都能识别并提取对应语言的内容。

部分PDF提取失败的常见排查点 #

• 检查是否是纯扫描无文本层的PDF：这类文件本质是图片集合，默认索引器无法提取文本。解决办法是启用Azure Search的认知搜索技能集，添加OCR技能来识别扫描件中的文本内容。
• 验证PDF文件是否损坏：有些PDF可能因为生成工具异常（比如导出中断、格式不兼容）导致解析失败。你可以先尝试用常规PDF阅读器打开，看看能不能正常显示和复制文本，或者重新生成该PDF文件后再测试。
• 确认加密PDF的密码配置：如果PDF有打开密码，但你没在Azure Blob数据源的配置中提供密码，索引器会跳过该文件，无法完成提取。需要在数据源的连接设置里补充正确的密码。
• 排查是否包含复杂元素：比如带有大量嵌入式文件、3D模型、特殊罕见字体的PDF，可能会导致解析异常。可以尝试拆分PDF或者简化文件内容后再进行索引测试。

内容的提问来源于stack exchange，提问作者Narasimha Rao Dattappa